幫風險模型多裝一大包聰明指標，結果反而更差

做模型的人很容易有一種衝動：既然市場路徑那麼複雜，那我就多塞一些能描述「走法」的特徵進去，模型應該會更聰明。

例如，不只看最近一天、最近一週、最近一個月的波動水準，還去看它最近是不是在加速、是不是出現跳躍、是不是下跌造成的、甚至把市場恐慌指標和已實現波動的落差也一起丟進去。

這聽起來很合理。

我們用 SPY 的長樣本做了一次完整測試後，得到的答案卻很直接： 多加這些特徵，不只沒幫忙，還把原本表現最好的簡單模型拖垮了。

這次比的是什麼

這次實驗用的是 SPY，資料從 2005 年到 2026 年，真正拿來比賽的樣本外區間從 2019 年開始，共 1824 個交易日。

主角有三個：

• 基準版 ：只看短、中、長三個尺度的歷史波動
• 加強版 ：在基準版上再加一整包路徑特徵
• 精簡挑選版 ：用自動篩選方法從這一整包特徵裡挑比較有用的留下

另外還拿兩個常見的波動模型當對照。

這一整包額外特徵，大意分別是在問：

• 最近波動是不是短期比長期更熱
• 波動是不是在加速
• 波動是不是有動能
• 最近幾天有沒有特別大的跳動
• 壞消息的波動占比高不高
• 市場預期的波動，和最近實際波動之間差多少

如果這些資訊真的有用，理論上加強版至少應該比原本的基準版更準。

結果完全不是這樣。

結果一：最簡單的版本反而最好

先看最重要的預測誤差。數字越低越好。

最簡單的基準版排第一，而且不是小贏，是明顯領先。

加了這一整包特徵之後，誤差從 1.283 惡化到 1.627。就算先做一輪自動篩選，還是只有 1.483，仍然輸給原版。

這不是小差距，是真正的退步。

結果二：不是每個看起來有用的特徵，放進模型都會有用

這次有一個很值得記住的細節。

這一整包新增特徵裡，真正有明顯訊號的，其實只有一個： 市場預期波動和最近實際波動之間的落差 。

市場願意先出價買保險時，這個差距確實帶有資訊。這點不奇怪。

但問題在於， 單一特徵有訊號 ，不代表你把它和其他 5 個特徵一股腦塞進去，整個模型就會更好。模型是整體運作，不是單點投票。

這次實驗最像教科書的地方就在這裡：你明明看到其中一個新變數有用，最後整包模型卻更差。

問題出在哪裡

根本原因在於模型自己打架了。

新增的幾個特徵裡，有兩個其實跟基準版原本就在看的東西高度重疊。你可以把它想成：原本模型已經有三個相近角度在看同一件事，你又換個名字、再多塞兩個幾乎等價的版本進去。

結果就是：

• 係數變得不穩
• 不同特徵互相搶解釋權
• 每次重估時，模型對誰重要、誰不重要的判斷大幅跳動

最後模型沒有變得更懂市場，反而更搞不清楚自己在看什麼。

這也是為什麼加強版不只沒贏，還輸得這麼明顯。

自動篩選為什麼也救不了

有些人會說，那就讓機器自動選特徵就好。

這次也試了。結果確實比「全部硬塞」好一點，但還是輸給最簡單的 HAR。

原因很實際：如果候選特徵本身就不穩、彼此又高度重疊，那你就算用自動選股的方式去挑，也只是從一堆彼此太像的選項裡勉強抓幾個出來。它不會自動把問題變成優勢。

對投資人真正有用的結論

這個結果最有價值的地方，是提醒一件很容易被忽略的事：

模型不是特徵越多越好。

很多看起來高級的加工指標，最後只是在把原本已經存在的資訊重複包裝一次。你以為自己增加了市場理解，實際上只是增加了噪音、重疊和不穩定。

在這次測試裡，最樸素的基準版反而贏過所有加料版本，也贏過兩個波動模型對手。這代表在日線頻率下，很多時候最重要的不是把模型變得更花，先確認你加進去的東西到底是不是新資訊，通常更重要。

下一步真正值得試的是什麼

這次結果也沒有把所有新想法都判死刑。

比較合理的下一步，不用把這整包特徵全砍掉，可以只把那個真的有訊號的「預期波動和實際波動落差」獨立拿出來測，看看它單獨加入時，會不會有幫助。

這和「一次加一大包」是完全不同的問題。

所以真正的教訓不是「新特徵沒用」，重點是：

先確認它是不是獨立的新資訊，再決定要不要放進模型。

本文基於內部實驗（對應腳本：experiments/k1014/k1014.py；結果：experiments/k1014/k1014_results.json）。資料為 SPY 與市場波動預期指標，來源 yfinance。全樣本 2005-01-04 至 2026-04-07，樣本外區間 2019-01-01 起，共 1824 個交易日。